Un minorista en línea combinó muchas fuentes de datos en una sola tabla con 980 variables. Necesita construir un modelo para descubrir grupos de clientes que probablemente respondan a una campaña de marketing. ¿Qué par de técnicas debería usar?

K-means clustering es una técnica de aprendizaje no supervisado ideal para agrupar clientes (segmentación) basándose en sus características, lo que permite identificar grupos que responden a campañas de marketing. Principal component analysis (PCA) es una técnica de reducción de dimensionalidad que es crucial cuando se tienen 980 variables. PCA reduce el número de variables correlacionadas en un conjunto más pequeño de componentes principales, manteniendo la mayor parte de la varianza de los datos, lo que mejora la eficiencia y el rendimiento del modelo de K-means. LDA es para modelado de temas. La segmentación semántica es para visión por computadora. FM es para sistemas de recomendación.